Structural reliability analysis of steel structural covering based on the theory of evidence

Cover Page

Cite item

Full Text

Abstract

Introduction. Quantitative assessment of the structural reliability and safety level for structural solutions is an actual scientific and technical problem. The measure of reliability in this case can be the failure probability of a structural element. In practical problems of assessment and analysis of structural reliability, data on random variables can be obtained in the interval form (qualitative uncertainty), while the classic methods of reliability analysis do not allow to estimate reliability in the presence of such data. Lack of statistical data (quantitative uncertainty) is also present in practical tasks of reliability analysis.Materials and methods. The paper considers the use of the theory of evidence as an effective tool for reliability analysis of steel span structures in problems with interval uncertainty of statistical data.Results. The graphical interpretation of the reliability analysis algorithm is given. It allows to obtain clearly and operatively an estimate of the failure probability of the structural element, as well as to reduce the permissible load on the element to the required reliability level. Two-dimensional and three-dimensional models are considered for analyzing the reliability of a steel truss bar according to the buckling criterion.Conclusions. The theory of evidence allows effective modelling of various sources of uncertainties in practical engineering problems. Thus, with limited data, it is possible to get an idea of the quantitative expression of the reliability level by its lower bound, which can be increased by strengthening the element, more detailed probabilistic analysis or limiting the operational load on the structural element. By considering more non-deterministic quantities in the design, the engineer obtains a more cautious decision. When considering the cross-sectional area as a random variable, the reliability of the truss bar on the buckling was 23 % lower (lower reliability bound) than in a similar calculation with a deterministic value.

About the authors

S. A. Solov’ev

Vologda State University (VSU)

Email: solovevsa@vogu35.ru
ORCID iD: 0000-0001-7083-7963

A. E. In’kov

Vologda State University (VSU)

Email: inkovae@vogu35.ru
ORCID iD: 0000-0002-7034-8606

A. A. Solov’eva

Vologda State University (VSU)

Email: solovevaaa@vogu35.ru
ORCID iD: 0000-0002-5285-5882

V. A. Smirnov

Moscow State University of Civil Engineering (National Research University) (MGSU)

Email: belohvost@list.ru
ORCID iD: 0000-0001-5679-9542

References

  1. Keshtegar B., Kisi O. M5 model tree and Monte Carlo simulation for efficient structural reliability analysis // Applied Mathematical Modelling. 2017. Vol. 48. Pp. 899–910. doi: 10.1016/j.apm.2017.02.047
  2. De Angelis M., Patelli E., Beer M. Advanced line sampling for efficient robust reliability analysis // Structural Safety. 2015. Vol. 52. Pp. 170–182. doi: 10.1016/j.strusafe.2014.10.002
  3. Teixeira R., Nogal M., O’Connor A. Adaptive approaches in metamodel-based reliability analysis : a review // Structural Safety. 2021. Vol. 89. P. 102019. doi: 10.1016/j.strusafe.2020.102019
  4. Qiu Z., Huang R., Wang X., Qi W. Structural reliability analysis and reliability-based design optimization: Recent advances // Science China Physics, Mechanics and Astronomy. 2013. Vol. 56. Issue 9. Pp. 1611–1618. doi: 10.1007/s11433-013-5179-1
  5. Huang H.Z., He L., Liu Y., Xiao N.C., Li Y.F., Wang Z. Possibility and evidence-based reliability analysis and design optimization // American Journal of Engineering and Applied Sciences. 2013. Vol. 6. Issue 1. Pp. 95–136. doi: 10.3844/ajeassp.2013.95.136
  6. Соловьев С.А., Инькова Ю.А., Соловьева А.А. Вероятностная оценка надежности деревянных стропильных конструкций при неполной статистической информации // Региональная архитектура и строительство. 2023. № 2 (55). С. 77–84. doi: 10.54734/20722958_2023_2_77. EDN CTLCMJ.
  7. Jian W., Zhili S., Qiang Y., Rui L. Two accuracy measures of the Kriging model for structural reliability analysis // Reliability Engineering & System Safety. 2017. Vol. 167. Pp. 494–505. doi: 10.1016/j.ress.2017.06.028
  8. Jiang C., Bi R.G., Lu G.Y., Han X. Structural reliability analysis using non-probabilistic convex model // Computer Methods in Applied Mechanics and Engineering. 2013. Vol. 254. Pp. 83–98. doi: 10.1016/j.cma.2012.10.020
  9. Pavlov M.V., Karpov D.F., Sinitsyn A.A., Gudkov A.G. Winter greenhouse combined heating system // Magazine of Civil Engineering. 2020. № 3 (95). Pp. 131–139. doi: 10.18720/MCE.95.12. EDN LVTHOB.
  10. Уткин Л.В. Анализ риска и принятие решений при неполной информации : монография. СПб. : Наука, 2007. EDN QJTBEZ.
  11. Dempster A.P. Upper and lower probabilities induced by a multivalued mapping // Classic works of the Dempster-Shafer theory of belief functions. 2008. Pp. 57–72. doi: 10.1007/978-3-540-44792-4_3
  12. Shafer G. A mathematical theory of evidence. Princeton University Press, 1976. doi: 10.1515/9780-691214696
  13. Соловьев С.А., Соловьева А.А. Методы оценки надежности стальных ферм с использованием P-блоков. Вологда : Вологодский государственный университет, 2022. 143 с. EDN YRCEMR.
  14. Улыбин А.В., Султеев Т.М., Давыдов О.И., Богачев А.С. Оценка класса прочности болтов по измерению твердости стали // Обследование зданий и сооружений: проблемы и пути их решения : мат. VI Междунар. науч.-практ. конференции. 2015. С. 172–178. EDN UYTGMX.
  15. Yager R.R. On the Dempster-Shafer framework and new combination rules // Information Sciences. 1987. Vol. 41. Issue 2. Pp. 93–137. doi: 10.1016/0020-0255(87)90007-7
  16. Inagaki T. Interdependence between safety-control policy and multiple-sensor schemes via Dempster-Shafer theory // IEEE Transactions on Reliability. 1991. Vol. 40. Issue 2. Pp. 182–188. doi: 10.1109/24.87125
  17. Sentz K., Ferson S. Combination of evidence in Dempster-Shafer theory. 2002. doi: 10.2172/800792
  18. Bernard J.M. Analysis of Local or Asymmetric Dependencies in Contingency Tables using the Imprecise Dirichlet Model // Proceedings of the Third International Symposium on Imprecise Probabilities and Their Applications. 2003.
  19. Соловьев С.А., Иньков А.Э., Соловьева А.А. Метод расчета надежности шарнирно-стержневых систем при интервальной оценке случайных величин // Строительная механика и расчет сооружений. 2022. № 3 (302). С. 28–34. doi: 10.37538/0039-2383.2022.3.28.34. EDN IYURCQ.
  20. Jiang C., Zhang Z., Han X., Liu J. A novel evidence-theory-based reliability analysis method for structures with epistemic uncertainty // Computers & Structures. 2013. Vol. 129. Pp. 1–12. doi: 10.1016/j.compstruc.2013.08.007

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».